La Raccomandazione · Il piatto giusto per te
MOPI-HFRS: Sistema Multi-Obiettivo per la Raccomandazione di Alimenti con Consapevolezza della Salute Personalizzata e Interpretabilità LLM (KDD 2025)
La maggior parte delle app che suggeriscono cosa mangiare conosce solo i tuoi gusti del passato. MOPI-HFRS fa qualcosa di radicalmente diverso: guarda anche la tua pressione arteriosa, il tuo BMI, i risultati delle analisi del sangue e la lista di eventuali diete speciali consigliate dal medico, poi suggerisce alimenti che ti piaceranno E che si adattano davvero al tuo profilo di salute individuale — non una generica 'dieta sana', ma una dieta calibrata sul tuo corpo.
Il sistema spiega anche perché un certo piatto è o non è indicato per te specificamente, colmando un divario di sicurezza critico: un'intelligenza artificiale che dice a un iperteso che il prosciutto ad alto contenuto di sodio è 'sano perché poco calorico' è peggio di nessuna raccomandazione.
Cosa dice, in breve
- MOPI-HFRS (Sistema Multi-Obiettivo Personalizzato e Interpretabile per la Raccomandazione di Alimenti con Consapevolezza della Salute) è presentato a KDD 2025 come il primo framework a ottimizzare simultaneamente preferenza dell'utente, salute personalizzata (calibrata sul profilo medico individuale) e diversità nutrizionale tramite apprendimento Pareto su grafo bipartito cibo-utente.
- Vengono costruiti due nuovi benchmark derivati da NHANES 2003-2020 (Nutrition_macro: 8.170 utenti, 6.769 alimenti, 314.224 interazioni; Nutrition_all: 13.282 utenti, 7.516 alimenti, 488.223 interazioni), integrando esami di laboratorio, BMI, pressione arteriosa e questionari dietetici con i codici alimentari USDA: i primi benchmark pubblici a incorporare dati medici individuali per la raccomandazione alimentare.
- Il framework impiega tre moduli: (1) apprendimento della struttura del grafo health-aware che combina similarità coseno K-testa per le feature e apprendimento di grafi con segni sugli archi basato sulla teoria dell'equilibrio per la compatibilità salute-cibo, fusi tramite attenzione su canale; (2) ottimizzazione Pareto multi-gradiente (MGDA/Frank-Wolfe) su perdita BPR di preferenza, perdita di salute (similarità di Jaccard sui tag nutrizionali) e perdita di diversità (coseno a coppie tra embedding degli alimenti predetti); (3) modulo di ragionamento LLM con iniezione di conoscenza tramite due strategie di prompting (Candidati Raffinati e Attenzione alle Condizioni dell'Utente).
- MOPI-HFRS supera dieci baseline (GCN, GraphSAGE, GAT, NGCF, LightGCN, SimGCL, SGL, LightGCL, RecipeRec, HFRS-DA) su tutte e cinque le metriche: Recall@20, NDCG@20, H-Score, AvgTags e %Foods; il vantaggio più netto è su %Foods@20 (10,55% vs. 3,24% per SimGCL su Nutrition_macro), a dimostrazione dell'efficacia dell'ottimizzazione Pareto nel superare il problema della coda lunga.
- Il modulo di ragionamento LLM supera XRec e LLM2ER con GPT-3.5-turbo e Llama-3-70b in BERT Score e BLEU Score; uno studio di caso illustra la mitigazione di tre modalità di errore tipiche dei metodi LLM tradizionali: allucinazione fattuale, mancanza di personalizzazione e allucinazione contestuale.
Provenienza
- Fonte
- MOPI-HFRS: A Multi-objective Personalized Health-aware Food Recommendation System with LLM-enhanced Interpretation— Zhang 2025
- Licenza
- ACM copyright, unknown OA status; arXiv preprint arXiv:2412.08847v1
- Nel Kosmos
- 3 voci · 120 fatti atomici · tier MAIOR
↯ Questa è una voce vera del nostro Knowledge Graph, ancorata alla sua fonte — non un testo generato da un modello. Il colore riflette il tipo reale di studio, mai gonfiato.